[论文解读] Adaptive Shape Servoing of Elastic Rods using Parameterized Regression Features and Auto-Tuning Motion Controls

Jiaming Qi, Ran, Guangtao+5 more|arXiv (Cornell University)|Aug 16, 2020

Robotic Mechanisms and Dynamics参考文献 30被引用 10

一句话总结

本文提出了一种基于视觉的自适应形状伺服框架，用于操纵弹性杆。该框架采用参数化回归特征（如Bézier、NURBS）以紧凑方式表示物体形状，实现显式形状伺服。它利用无迹卡尔曼滤波器（UKF）在线估计雅可比矩阵，并采用带有性能标准（ISE、IAE、JEU）的自动调参控制器，实时调整增益，实现稳定、精确的成形，且无需事先了解机械模型，实验验证了基于机器人的操纵效果。

ABSTRACT

The robotic manipulation of deformable linear objects has shown great potential in a wide range of real-world applications. However, it presents many challenges due to the objects' complex nonlinearity and high-dimensional configuration. In this paper, we propose a new shape servoing framework to automatically manipulate elastic rods through visual feedback. Our new method uses parameterized regression features to compute a compact (low-dimensional) feature vector that quantifies the object's shape, thus, enabling to establish an explicit shape servo-loop. To automatically deform the rod into a desired shape, the proposed adaptive controller iteratively estimates the differential transformation between the robot's motion and the relative shape changes; This valuable capability allows to effectively manipulate objects with unknown mechanical models. An auto-tuning algorithm is introduced to adjust the robot's shaping motions in real-time based on optimal performance criteria. To validate the proposed framework, a detailed experimental study with vision-guided robotic manipulators is presented.

研究动机与目标

• 解决具有未知机械特性的可变形线性物体（DLOs）的形状伺服挑战。
• 通过参数化回归特征（如Bézier、NURBS）开发一种紧凑的全局形状表示方法，以实现高效的视觉反馈。
• 通过在线估计机器人运动与形变之间的关系，实现实时自适应控制，而无需事先了解物体的模型。
• 利用ISE、IAE和JEU等标准动态优化控制性能，以平衡收敛速度与运动平滑性。
• 通过视觉引导的机器人操纵实验，验证该框架在多种目标形状下的有效性。

提出的方法

• 采用参数化回归特征表示（如正弦、多项式、Bézier、NURBS）从视觉反馈中提取低维、紧凑的形状向量，从而实现显式形状伺服回路设计。
• 采用无迹卡尔曼滤波器（UKF）在线估计机器人运动与相对形状变化之间的微分变换（雅可比矩阵），实现在无先验机械建模情况下的自适应控制。
• 自适应速度控制器通过性能优化标准（ISE、IAE、JEU）实时调整运动增益λ，权重经调优以平衡误差收敛与运动平滑性。
• 系统采用李雅普诺夫稳定性理论对形状伺服过程中的闭环稳定性进行严格分析与保证。
• 该框架将视觉反馈、特征提取、在线雅可比矩阵估计与自适应增益控制整合为统一的实时控制流水线。
• 实验采用配备视觉系统的机器人操作臂，在多种目标形状上验证该方法，性能通过误差收敛与运动指令轨迹进行评估。

实验结果

研究问题

• RQ1 基于参数化回归特征的紧凑、全局形状表示能否有效替代高维视觉反馈以实现形状伺服？
• RQ2 无迹卡尔曼滤波器（UKF）能否在不知晓物体机械模型的前提下，实时准确估计机器人运动到形变的雅可比矩阵？
• RQ3 带有性能标准（ISE、IAE、JEU）的自动调参控制器能否动态调整控制增益，以实现期望的瞬态响应（如快速收敛或平滑运动）？
• RQ4 当初始雅可比矩阵估计不佳或目标形状不可行时，该框架的性能如何？
• RQ5 在仅依赖视觉反馈与自适应控制的前提下，该系统在不造成损伤的情况下，能够将弹性杆成形为多少种不同构型？

主要发现

• 基于UKF的雅可比矩阵估计在收敛精度与稳定性方面优于RLS与EKF，具有最低的视觉误差（‖ek‖）与最精确的运动指令（Δrk）。
• ISE标准实现了最快的收敛时间，而JEU-2提供了最平滑的运动轨迹，证明了性能加权调参的有效性。
• JEU-3实现了最快的误差减小速度，而JEU-2更注重运动平滑性，表明JEU中权重的调整可实现对不同动态需求的定制化调节。
• 系统成功将弹性杆变形为多种目标形状，且未出现过度拉伸或压缩，证实了操作的安全性与精确性。
• 当初始雅可比矩阵估计不佳或目标形状不可行时，该方法失效，凸显了在可达性检测与初始化鲁棒性方面的局限性。
• 基于NURBS的形状近似在所有实验中均准确捕捉了杆的中心线，验证了特征表示的保真度。